Перспективы развития технологии поставок запасных частей за счет цифровизации и автоматизации

В современном мире, где технологии продолжают совершенствоваться и внедряться во все технические направления, становится крайне важным, чтобы промышленность активно занималась модернизацией своих процессов. Одной из ключевых областей, в которой инновационные технологии вносят значительные изменения, является логистика запасных частей (ЗЧ). Этот сектор переживает настоящую революцию благодаря растущей цифровизации и автоматизации, которые открывают перед предприятиями автомобильного транспорта (ПАТ) новые возможности и кардинально меняют подходы к управлению поставками ЗЧ [1-4, 8-10].

Эта трансформация не ограничивается лишь внедрением интеллектуального программного обеспечения, а требует глубокой перестройки традиционных процессов и изменения парадигмы мышления. Логистика ЗЧ, как пра- вило, сталкивается с множеством проблем, которые могут существенно затруднить деятельность ПАТ. К числу таких проблем относятся длительные сроки поставки, неточные уровни запасов и неэффективное распределение ресурсов. Эти трудности являются общими для многих предприятий.

Дополнительно, отсутствие прозрачности в процессах и недостаточная коммуникация между различными участниками цепочки поставок часто приводят к ошибкам и задержкам. Такие ситуации не только негативно сказываются на удовлетворенности клиентов, но и могут привести к значительным финансовым потерям для ПАТ.

Основная часть

Цифровизация предлагает эффективные решения для большинства из этих проблем. Внедряя передовые технологии, например искусственный интеллект (ИИ) и анализ больших

EDN ESCHBA данных, отдел материально-технического обеспечения (МТО) ПАТ получает возможность отслеживать уровень запасов в режиме реального времени. Это позволяет избежать дефицита поставок и более точно прогнозировать потребность в ЗЧ. В результате, ПАТ могут оптимизировать свои складские операции и значительно снизить расходы на хранение [5-7, 9].

Автоматизация логистических процессов непосредственно связана с цифровизацией и является еще одним важным аспектом, способствующим изменениям в логистике ЗЧ. Например, роботизированные системы могут взять на себя задачи по сбору и упаковке ЗЧ, что не только ускорит процессы, но и значительно сократит количество ошибок, которые могут возникать при ручной обработке.

Кроме того, автоматизация, основанная на использовании дронов или автономных транспортных средств, позволяет внедрять инновационные методы доставки, которые кардинально меняют подходы к доставке ЗЧ. Это открывает новые горизонты для логистики, позволяя доставлять товары быстрее и более эффективно, что в свою очередь положительно сказывается на общем уровне обслуживания клиентов.

Однако для успешной интеграции новых технологий необходимо обеспечить их взаимодействие с существующими системами и процессами, что требует тщательной проработки и планирования. Предприятия должны быть готовы к изменениям и адаптации к новым условиям, что предполагает не только технические, но и организационные преобразования. Это может включать в себя обучение персонала, пересмотр работы отдела МТО и создание новых моделей взаимодействия между различными подразделениями, в том числе с поставщиками ЗЧ.

Управление запасами является одной из ключевых задач, стоящих перед отделом МТО на любом ПАТ. Запасы, в свою очередь, представляют собой важнейший экономический ресурс, от которого зависит финансовая составляющая ПАТ. Искусственный интеллект может существенно улучшить процессы управления запасами. С помощью него ПАТ могут анализировать ретроспективные данные о потребностях в ЗЧ, текущих запасах, а также информацию о движении ЗЧ от приобретения до установки их на подвижной состав. На основе этого анализа ИИ способен прогнозировать потребность ПАТ в ЗЧ, соответственно затраты на их приобретение. Он может давать обоснованные рекомендации, касающиеся закупок, перемещения ЗЧ между складами и других аспектов управления запасами. Так, ИИ может выявить, какие ЗЧ пользуются высоким спросом. Это позволит скорректировать запасы, чтобы избежать дефицита на складах, а также предотвратить избыточное накопление ЗЧ, что в свою очередь способствует более точному планированию запасов.

Несмотря на преимущества, полная цифровизация и автоматизация логистики ЗЧ имеет ряд проблем. Предприятия, которые осознают потенциал этой трансформации на ранних этапах и начинают инвестировать в соответствующие технологии повышают свою операционную эффективность. В будущем более совершенные системы ИИ будут совершенствоваться и более точно прогнозировать потребность в ЗЧ, но и адаптировать всю цепочку поставок в режиме реального времени, что позволит существенно улучшить качество обслуживания парка подвижного состава ПАТ.

Изменение показателей мирового уровня внедрения ИИ в 2022 и 2025 годах в механизмы регулирования цепочек поставок товаров в целом представлено на рис. 1.

□ На стадии эксперимента

□Ограниченное применение

□ Широкое применение

□ ИИ имеет ключевое значение

Рисунок 1 – Разница показателей мирового уровня внедрения ИИ в 2022 и 2025 годах

Если в 2022 году ИИ был на стадии перехода из ограниченного применения к широкому, то три года спустя он имеет ключевое значение (38 %).

Результаты исследований

За последние десять лет рынок автомобильных ЗЧ претерпел значительные изменения, трансформировавшись из простых магазинов с автотоварами в высокоразвитые онлайн-си-стемы, обладающие сложными каталогами, интеграциями и сервисной логикой. Автомобильные ЗЧ представляют собой многоуровневый рынок, который включает в себя большое количество наименований, среди которых оригинальные, аналоги, ЗЧ завозимые «серыми» путями с неизвестным уровнем качества, а также информацию о применяемости по VIN-номерам. Этот рынок также характеризуется множеством различий, связанных со странами производства, годами выпуска автомобилей, комплектациями и артикулами.

Подбор нужной детали для автомобиля – это сложная, в нынешнее время, задача. Покупатели зачастую сталкиваются с трудностями при поиске необходимых ЗЧ. В этой связи появление систем, позволяющих покупателю подбирать детали по VIN-номеру, стало значительным шагом вперед в упрощении этого процесса. Однако на сегодняшний день большинство VIN-сервисов функционирует по строго установленным правилам и использует статичные алгоритмы поиска и фильтрации.

Если по каким-либо причинам ЗЧ не "привязана" к конкретному VIN в базе данных, система просто не предложит её, даже если она могла бы подойти для данного автомобиля. Это создает определенные сложности и ограничения для покупателей, которые ищут необходимые ЗЧ. Способность системы накапливать опыт, распознавать повторяющиеся паттерны, делать выводы на основе статистики и предлагать релевантные варианты – это то, что только начинает внедряться в область подбора ЗЧ.

В процессе исследований, проведённых на ПАТ, станциях технического обслуживания автомобилей (СТОА), было установлено, что новые технологии могут значительно ускорить процесс подбора ЗЧ и минимизировать количество ошибок. Например, повторные заказы, типичные неисправности конкретных моделей автомобилей, а также частые замены, которые осуществляют владельцы конкретных автомобилей. Эти данные могут стать основой для создания обучающейся системы, которая не просто отображает информацию, содержащуюся в базе, а предлагает более целенаправленные рекомендации.

К примеру, такая система могла бы сообщать: "Для Lada Vesta 2020 года выпуска какие чаще всего заказывают фильтры, тормозные колодки, учитывая пробег автомобиля, регион его эксплуатации, и т.д.". Это позволит не только упростить процесс поиска ЗЧ, но и сделать его более точным и персонализированным, что в ко- нечном итоге приведёт к повышению удовлетворенности клиентов и снижению числа ошибок при подборе ЗЧ. Таким образом, внедрение современных технологий в сферу подбора ЗЧ открывает новые возможности для улучшения качества обслуживания клиентов и оптимизации работы ПАТ и СТОА.

На рис. 2 показаны статистики заказов самых востребованных ЗЧ по брендам для автомобилей Lada Vesta в зависимости от региона (а – Южный федеральный округ; б – Уральский федеральный округ).

салонный фильтр       тормозные колодки шины

салонный фильтр       тормозные колодки шины

Рисунок 2 – Статистика заказов запасных частей в зависимости от ФО: а) - ЮФО;

б) - УФО

Анализ заказов ЗЧ показал, что покупатели УФО отдают предпочтение в покупке угольных салонных фильтров, выбор тормозных колодок конкретного запроса не имеет, а шины преимущественно шипованные. Что качается покупателей ЮФО, то салонные фильтры закупались по низкой стоимости, выбор тормозных колодок зависел от их нагрева при длительных торможениях, шины покупатели выбирали фрикционные. Эти и многие другие особенности помогут системам подобрать необходимые ЗЧ с учетом конкретных факторов.

На рис. 3 показаны состояния исследуемых элементов в зависимости от ФО при равных пробегах и условиях эксплуатации автомобилей.

Рисунок 3 - Состояние салонного фильтра и тормозных колодок в зависимости от ФО при равных условиях эксплуатации: а) - ЮФО;

б) - УФО

б)

Салонный фильтр автомобилей, эксплуатирующихся в ЮФО был на 30 % чище, чем при аналогичном пробеге в ЮФО и нормативный ресурс был выдержан, а замена тормозных колодок потребовалась в среднем на пробеге 18 т.км при нормативе - 30 т.км (рис. 4). Состояние исследуемых элементов автомобиля показывает непосредственное влияние условий эксплуатации на их ресурс, который может выработаться до наступления нормативных значений.

Анализ сайтов, специализирующихся на продаже ЗЧ, открывает широкие возможности для создания простых рекомендательных механизмов. В качестве полезной информации можно также рассматривать, например, запросы, которые наиболее часто приводят к совершению покупок, а также комбинации деталей, которые чаще всего оказываются в одной корзине. Даже такие относительно простые алгоритмы могут значительно улучшить персонализацию рекомендаций, что позволяет магазинам предлагать именно те детали, которые с высокой вероятностью будут востребованы покупателями.

Рисунок 4 - График замен элементов автомобилей при сравнении нормативных пробегов с фактическим состоянием элементов

Заключение

Тем не менее, говорить о полноценном ИИ , в контексте подбора ЗЧ пока еще преждевременно. Причины этого заключаются в нескольких аспектах. Во-первых, для эффективной работы таких систем необходимы огромные объемы качественных и актуальных данных, которые должны учитывать множество факторов, включая природно-климатические условия, разнообразие моделей, артикулов и даже особенности работы поставщиков ЗЧ. Во-вторых, даже если такие данные будут собраны, необходимо разработать и обучить модели, способные обрабатывать не просто списки номеров ЗЧ, но и сложные взаимосвязи между такими факторами, как причины отказа, пробег автомобиля и квалификацию водителя. Этот процесс является крайне ресурсоемким, и на данный момент не все ПАТ, СТОА готовы вкладывать средства в такие высокотехнологичные решения.

Кроме того, существует еще одна важная проблема – это недоверие со стороны конечных пользователей. Ошибка в подборе детали может привести не только к неудобствам, но и к значительным финансовым затратам, например, из-за простоев подвижного состава в ремонте или в ожидании необходимых ЗЧ, а также в результате дорожно-транспортных происшествий (ДТП). Поэтому любые автоматизированные системы, включая те, которые используют элементы ИИ, должны быть не только функциональными, но и предельно прозрачными. Пользователь должен иметь возможность понимать, почему система предлагает ту или иную деталь, какие факторы были учтены при формировании рекомендаций, и на каком основании можно быть уверенным в совместимости предложенных ЗЧ.

В этом контексте ИИ может сыграть полезную роль как объясняющая система. Например, он может визуализировать логику подбора ЗЧ, основываясь на предыдущем опыте, истории заказов и аналогичных случаях. Это поможет пользователю лучше осознать процесс подбора и повысит доверие к автоматизированным системам. В конечном итоге, создание более точных и прозрачных рекомендательных систем в области продажи ЗЧ может значительно улучшить опыт пользователей и повысить эффективность работы магазинов.

Некоторые вопросы пока открыты и требуют серьёзной проработки, особенно в контексте развития законодательной базы в сфере ИИ (юридическая составляющая), в связи с выездом из страны высококлассных специалистов, а также гарантии безопасности данных.

В ближайшие 3–5 лет рынок начнёт массово переходить на гибридные модели подбора, где ИИ будет дополнять ручную экспертизу, но не заменять её. Уже сегодня появляются проекты, использующие нейросети для анализа фото повреждённых деталей, распознавания ЗЧ по изображению, сопоставления с каталогами аналогов и автоматического построения коммерческих предложений на основе описаний неисправности. Это очень перспективные направ- ления, где конкурентным преимуществом становятся высокая точность подбора, сокращение возвратов, упрощение навигации по каталогу и ускорение процесса покупки ЗЧ.